近年來，處理器技術進入如此大，一個像U盤那么大的設備現在都可以用于為神經網絡提供能量。但是，企業通常很難充分發揮其計算能力，因為實施大規模人工智能過程中還存在的根本挑戰。

這個問題和可擴展性有關，本周二IBM發布了一種名為分布式深度學習（Distributed Deep Learning，DDL）的軟件庫來解決這個問題。深度學習是機器學習的一個子集，旨在教計算機以人類相同的方式進行學習。例如，人們不會通過描述這個生物有4條腿、1個鼻子和1條尾巴的事實來識別出這是一只狗。一旦人們知道狗是什么樣子，就會與貓做永久性的區分。深度學習試圖在軟件中復制這種方法。

大多數深度學習的框架都支持跨多個服務器擴展大型模式的能力，很多現在也支持GPU，但是收集和同步分析結果的方式還遠遠不夠，IBM研究部門總監Hillery Hunter表示。

同步的工作流

深度學習模式運行在計算機集群上，通過GPU進行增強，GPU芯片有數百萬個分布式和互相關聯的處理元素，其作用大致類似于人類大腦中的神經元。這些人造神經元一起處理信息，就像人類的部分一樣，每個神經元都處理一小部分數據。當節點完成計算的時候，結果將同步在其他神經網絡上，以幫助協調工作。

在IBM看來，這就是瓶頸所在。人造神經元部署運行在越快的GPU上，完成計算的速度就越快，意味著結果的同步更加頻繁。由于AI集群的構建方式，如果環境中芯片的數量增加，同樣適用。但是深度學習框架只能頻繁地同步數據。

因此，處理速度收到了數據在GPU之間傳輸的限制。DDL利用所謂的多層通信算法來改變這一平衡。這個軟件庫修改信息發送通過的網絡路徑，以實現延遲和帶寬之間“最優化”的平衡，讓通信不再是主要的瓶頸。

創紀錄的性能

在一次內部測試中，IBM在一個有數百個GPU的集群上部署了DDL，并從一個受歡迎的研究數據集中發送處理750萬個圖像，將其分到22000個分類中的一個或者多個。該模型在經過7個小時的訓練之后，可準確識別33.8%的對象，打包了之前微軟在經過10天訓練之后創下的29.8%的紀錄。

如果4%的改進聽起來不足為奇，而且整體成功率還比較低，這是因為這個模型遠比現實中遇到的更為復雜，IBM高性能計算及人工智能副總裁Sumit Gupta表示。所以改進是循序漸進的，他指出，微軟此前的紀錄只比上一次改進了0.8%。這個基準測試旨在強調深度學習軟件，以證明研究人員真正構建了更好的模型。

DDL在訓練人工智能開發的過程中尤其有用，這是整個項目生命中其中占用時間最長的之一。有時候模型需要花費幾周甚至幾個月的時間來處理樣品數據，才能變得足夠準確用于生產中。IBM稱，在某些情況下IBM的軟件庫可以將這個過程縮短至幾個小時。“如果需要16天時間訓練一個模型如何識別新的信用卡，那么這16天你就是在虧本的。”

深度學習在醫療場景中也很有用，例如組織分析，長時間的訓練關于生存或者死亡的問題。此外還有其他好處，如果一個深度學習模型可以在數小時而不是數周時間內完成訓練，那么就能釋放企業的人工智能基礎設施，用于更快地完成其他項目和其他工作。

IBM還另外展示了如何利用DDL實現95%的擴展效率，相比之下Facebook在此前的測試中記錄是89%。這兩個測試都使用了相同的樣本數據。

IBM表示，DDL幫助企業培訓他們的模型，實現此前由于時間限制而無法實現的速度和范圍。它將DDL軟件庫與所有主流深度學習框架相連接，包括TensorFlow、Caffee、Chainer、Torch和Theano，都是在一個開源許可下的。

IBM還將這個軟件庫融入到自己的PowerAI深度學習共計套件平臺中，有免費和付費企業兩個版本，此外還有在Minbix Minsky Power Cloud上。Gupta表示：“我們將通過PowerAI把它帶給每個人。”